基于多相关日场景生成的充电负荷区间预测方法技术

本发明专利技术公开了基于多相关日场景生成的充电负荷区间预测方法，具体按照以下步骤实施：步骤1、基于SR相关系数理论，分析待预测日与历史各日EV充电行为的日间相关性，构建多相关日场景集；步骤2、以多相关日场景集为基础，构建基于β‑VAE的EV充电负荷场景生成模型，生成海量充电场景；步骤3、在生成海量充电场景中筛选与待预测日的极强相关历史日间充电行为相关性强的场景，组成相似场景集；步骤4、根据相似场景集最后一日数据得到EV充电负荷区间预测结果。解决了现有基于模型驱动的预测方法中存在较多假设条件，使得EV充电行为的分析偏于主观的问题；获得覆盖率高、宽度窄的预测区间。

【技术实现步骤摘要】
基于多相关日场景生成的充电负荷区间预测方法
本专利技术属于EV充电负荷预测
，具体涉及基于多相关日场景生成的充电负荷区间预测方法。
技术介绍
随着微网内EV充电负荷渗透率不断增加，具有强随机性的充电负荷严重影响了微网系统运行的可靠性与经济性。因此，EV充电负荷预测是进行微网规划与调度、运行风险评估、EV与微网双向互动等研究的基础。现有EV充电负荷预测多基于模型驱动，主要有以下研究：一、通过分析EV每天最晚回家时间分布，计及不同类型EV影响，采用蒙特卡洛(MonteCarol，MC)方法抽取起始充电时间进行充电负荷预测。二、对传统汽车用户的行驶规律进行分析，采用MC方法建立了考虑EV类型、渗透率、充电情景等因素的规模化充电需求模型。三、考虑交通路网约束，分析EV用户行车轨迹特性，模拟1天内的充电负荷时空分布特性。四、以排队论为理论基础，假设EV抵达充电站的时间服从泊松分布，开展充电负荷预测。五、采用停车生成模型预测停车需求，建立EV停车时空分布模型，在基础上开展充电负荷预测。六、针对EV充电负荷时空随机性的问题，考虑了实时温度与路况，提出一种基于随机路径模拟的充电负荷时空分布预测方法。七、基于移动社交网络，考虑了EV向电力系统反向送电的行为，提出一种在分时电价约束下的EV充放电行为预测方法。八、通过建立描述EV并网充电的动态物理过程来计算其充电负荷，其中假设EV并网时的剩余电量服从正态分布。相较于基于模型驱动的EV充电负荷预测方法，基于数据驱动的预测方法能够综合利用EV历史充电数据，简化EV充电负荷预测模型，不需假设大量模型参数等优点。有的考虑EV的移动特性，建立考虑行驶特性和充电特性的EV模型，得到充电负荷确定性预测结果。还有的基于经验模态分解-模糊熵和集成学习，提出一种EV充电负荷的确定性预测方法。再或者分析公交车充电站的负荷特性，提出了一种基于数据新鲜度和交叉熵的组合预测方法。此外，基于数据驱动的深度学习方法在EV充电负荷预测领域也取得了较好的效果。但是，现有深度学习方法在预测环节较少考虑EV历史日充电行为与待预测日充电行为间的相关性，预测效果有待提升。从现有研究成果看，确定性预测结果难以反应EV充电负荷的强随机性与不确定性对微网带来的风险；而区间预测结果更能够反映EV充电负荷的强随机性。同时，基于模型驱动的EV充电负荷方法建模时涉及变量较多，且模型中存在较多假设条件，使得EV充电行为的分析偏于主观。
技术实现思路
本专利技术的目的是提供基于多相关日场景生成的充电负荷区间预测方法，解决了现有基于模型驱动的预测方法中存在较多假设条件，使得EV充电行为的分析偏于主观的问题。本专利技术采用的技术方案是，基于多相关日场景生成的充电负荷区间预测方法，具体按照以下步骤实施：步骤1、基于SR相关系数理论，分析待预测日与历史各日EV充电行为的日间相关性，构建多相关日场景集；步骤2、以多相关日场景集为基础，构建基于β-VAE的EV充电负荷场景生成模型，生成海量充电场景；步骤3、在生成海量充电场景中筛选与待预测日的极强相关历史日间充电行为相关性强的场景，组成相似场景集；步骤4、根据相似场景集最后一日数据得到EV充电负荷区间预测结果。本专利技术的特点还在于：步骤1具体过程为：步骤1.1、根据SR相关系数公式计算待预测日与历史各日EV充电行为的日间相关性，确定极强相关日；步骤1.2、按时间顺序选取待预测日的历史十日内极强相关的EV充电负荷，构成多相关日场景集。步骤1.1中SR相关系数公式如下：式中:为历史第d-i日与待预测日d间的SR相关系数，的取值范围为[-1,1]；At为两日间采样点t之间的等级之差；n为样本容量，n＝96；当代表极强相关。步骤2具体过程为：取编码器的识别模型为qΦ(z|x)，编码器的生成模型为pθ(x|z)，场景生成的概率分布pθ(x|z)，假设数据集D＝{X,V,W}，其中代表输入样本，为条件独立的隐变量，为条件依赖的隐变量；生成样本由两个隐变量共同生成，利用数据X能得到x和z的联合分布，其中，利用拉格朗日KKT条件构建网络的损失函数为：通过损失函数寻求多相关日场景集中特征，进而生成海量充电场景。步骤3具体过程为：以待预测日与各相关历史日的相关系数为权系数，规定待预测日d的全部极强相关历史日与生成场景集中第j个样本间对应历史日的加权SR相关系数为Sj，表达式如式(4)所示：式中：为待预测日的极强相关历史日d-i与生成场景集样本j中第d-i历史日的SR相关系数；根据式(4)，按照加权SR相关系数Sj从大到小的顺序，在生成场景集中筛选与待预测日极强相关历史日间相似性高的M个样本，构成相似场景集。步骤4具体过程为：以相似场景集最后一日数据[Ppre]M×96，由式(5)得到EV充电负荷区间预测结果；式中：Pmax,t、Pmin,t分别为t时刻EV充电负荷预测区间上下限；Pmean,t为t时刻EV充电负荷确定性预测结果。本专利技术的有益效果是：本专利技术基于多相关日场景生成的充电负荷区间预测方法，能够获得覆盖率高、宽度窄的预测区间及精确的充电负荷区间预测结果；与GPR概率预测方法相比，本专利技术的预测指标更优，能够准确覆盖EV充电负荷波动性区间；预测区间越限值更小，有利于微网的安全与经济运行。附图说明图1是待预测日与历史日EV充电负荷日间相关性图；图2是多相关日场景与生成场景数据概率分布特性图；图3是不同场景集规模方案的预测指标箱线图；图4(a)是各时刻实际值超出预测区间的最大值分布图；图4(b)是各时刻实际值超出预测区间的均值分布图；图5(a)是春季的日内EV充电负荷预测结果对比图；图5(b)是夏季的日内EV充电负荷预测结果对比图；图5(c)是秋季的日内EV充电负荷预测结果对比图；图5(d)是冬季的日内EV充电负荷预测结果对比图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术基于多相关日场景生成的充电负荷区间预测方法，具体按照以下步骤实施：步骤1、基于SR相关系数理论，分析待预测日与历史各日EV充电行为的日间相关性，构建多相关日场景集；步骤1具体过程为：步骤1.1、根据SR相关系数公式计算待预测日与历史各日EV充电行为的日间相关性，确定极强相关日；步骤1.2、按时间顺序选取待预测日的历史十日内极强相关的EV充电负荷，构成多相关日场景集。步骤1.1中SR相关系数公式如下：式中:为历史第d-i日与待预测日d间的SR相关系数，的取值范围为[-1,1]；At为两日间采样点t之间的等级之差；n为样本容量，n＝96；当代表极强相关。EV充电负荷数据采用美国中西部地区2009年住宅能耗调查(Resi本文档来自技高网...

【技术保护点】
1.基于多相关日场景生成的充电负荷区间预测方法，其特征在于，具体按照以下步骤实施：/n步骤1、基于SR相关系数理论，分析待预测日与历史各日EV充电行为的日间相关性，构建多相关日场景集；/n步骤2、以多相关日场景集为基础，构建基于β-VAE的EV充电负荷场景生成模型，生成海量充电场景；/n步骤3、在生成海量充电场景中筛选与待预测日的极强相关历史日间充电行为相关性强的场景，组成相似场景集；/n步骤4、根据相似场景集最后一日数据得到EV充电负荷区间预测结果。/n

【技术特征摘要】
1.基于多相关日场景生成的充电负荷区间预测方法，其特征在于，具体按照以下步骤实施：
步骤1、基于SR相关系数理论，分析待预测日与历史各日EV充电行为的日间相关性，构建多相关日场景集；
步骤2、以多相关日场景集为基础，构建基于β-VAE的EV充电负荷场景生成模型，生成海量充电场景；
步骤3、在生成海量充电场景中筛选与待预测日的极强相关历史日间充电行为相关性强的场景，组成相似场景集；
步骤4、根据相似场景集最后一日数据得到EV充电负荷区间预测结果。


2.根据权利要求1所述基于多相关日场景生成的充电负荷区间预测方法，其特征在于，步骤1具体过程为：
步骤1.1、根据SR相关系数公式计算待预测日与历史各日EV充电行为的日间相关性，确定极强相关日；
步骤1.2、按时间顺序选取待预测日的历史十日内极强相关的EV充电负荷，构成多相关日场景集。


3.根据权利要求2所述基于多相关日场景生成的充电负荷区间预测方法，其特征在于，步骤1.1中所述SR相关系数公式如下：



式中:为历史第d-i日与待预测日d间的SR相关系数，的取值范围为[-1,1]；At为两日间采样点t之间的等级之差；n为样本容量，n＝96；
当代表极强相关。


4.根据权利要求1所述基于多相关日场景生成的充电负荷区间预测方法，其特征在于，步骤2具体过程为：
取编码器的识别模型为qΦ(z|x)，编码器...

【专利技术属性】
技术研发人员：黄南天，刘德宝，刘宇航，蔡国伟，胡乾坤，姜雨晴，陈庆珠，赵文广，高旭，贺庆奎，郭笑林，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林;22